Ingenjorerna som Ford lat ga och betalade for att fa tillbaka

Nar Charles Poon, Fords vicepresident for fordonshårdvara, forklarade felet i slutet av juni 2026, skyllde han inte pa mjukvaran. Han skyllde pa antagandet bakom den. "Felaktigt trodde vi att bara genom att infora artificiell intelligens och mata in de designkrav vi hade skulle det ge en produkt av hög kvalitet," sade han enligt rapportering från TechCrunch och Fox Business den 28 och 30 juni. Det gjorde det inte. Ford hade lutat sig mot AI for att overvaka kvaliteten pa sina fordon, verktygen förstärkte svaga indata i stället for att fånga designfel, och foretaget hade lagt omkring tre ar pa att i tysthet återanställa 350 erfarna ingenjörer for att rada bot pa skadan.

Detaljen som gor detta från en automatiseringshistoria till en beslutshistoria ar vart kunskapen tog vägen. Manga av Fords mest erfarna ingenjörer hade redan slutat innan deras omdöme kunde kodas in i nagot en modell kunde lara sig av. AI:n tränades pa dokumenten, inte pa instinkten som sade at en ingenjör med trettio ars erfarenhet var en del skulle brista långt innan den nådde bandet. Nar människorna slutade foljde den instinkten med dem, och ingen mangd inmatade krav forde den tillbaka.

Varfor det spelar roll: man kan inte automatisera det som aldrig skrevs ner

Varfor det spelar roll: säljargumentet varje ägare hor nu ar att man kan mata sina dokument till en modell och ersätta sina seniorer. Ford ar kontrollfallet, lett av ett foretag med nastan obegransade resurser, och det visar basratsfelet i argumentet. Antagandet ar att expertomdomet bor i de artefakter experter producerar. Ofta gor det inte det. Det bor i deras huvuden som tyst kunskap, mönsterigenkänningen som aldrig nådde en specifikation, och en modell tränad enbart pa pappersarbetet ärver dess blinda fläckar. Verktyget misslyckades inte for att det var svagt. Det misslyckades for att det som skulle ersattas aldrig hade fangats.

Ja, men: detta ar inget argument mot AI i kvalitetskontroll. Ford stängde inte av verktygen. De återkomna ingenjorerna byggde om dem, och AI:n flaggar nu defekter innan komponenter nar bandet - människor tränar om systemet i stället for att systemet ersätter människorna. Lardomen handlar om ordningen, inte verktygen: bevisa att modellen återger omdömet innan du later omdömet lamna byggnaden.

Beslutsregeln: behandla seniorers avgång som oåterkallelig

Slutsatsen: innan du automatiserar en bedömningsuppgift, stall en fraga - ar kunskapen jag ersätter faktiskt kodad i mina data, eller bara i huvuden? Kan du inte svara ja med bevis vadar du pa en obevisad hypotes, och vadet har en asymmetrisk nackdel. Att förlora en erfaren specialist ar ett nastan oåterkalleligt beslut. Relationerna, mönsterbiblioteket, kunskapen om vilken leverantor som snalar var - inget av det kommer tillbaka med nasta anstallning. Fords kvalitetsreform forde den till toppen bland volymmarkena i JD Power-studien 2026, en placering den inte nått pa 16 ar, och Jim Farley beskrev de sjunkande garantikostnaderna som hundratals och ater hundratals miljoner dollar i medvind. Det ar storleken pa skillnaden mellan att fatta detta beslut ratt och fel.

For en europeisk ägare ar den praktiska regeln att lata automatisering och expert löpa parallellt tills modellen bevisligen slar det manskliga omdömet i de fall som betyder nagot, och att behålla experten tills dess. Att automatisera en seniors arbete ar ett reversibelt experiment. Att lata senioren ga ar det inte. Ordna följden darefter.

Läs vidare: Den som spenderar 145 miljarder säger att det inte funkar an  ·  Google: 9% overhead, elanvandning upp 37%